见山行科技

中文

English

中文

English
Sponsored by [KnowFun]: Transform your materials into personalized learning with AI.

只会单个用AI工具的人，正在被会搭系统的人甩开 ​

魔当实验室 · 2026年10月

本文是"AI时代的核心能力"系列第四篇。前三篇讲了放大器效应、审美与判断力、问题定义能力。这一篇聊另一种正在拉开差距的能力：把多个AI工具组合成系统的能力。

你可能有过这种感觉：

单个AI工具都挺好用的——聊天用ChatGPT、画图用Midjourney、做视频用Runway、配音用TTS。每个单独拿出来，都能提高效率。

但真要做一个完整的东西——比如一条短视频、一篇带图的文章、一个完整的产品功能——你就发现，这些工具之间是断开的。你得在好几个平台之间来回切换、复制粘贴、手动对齐。效率是提高了，但还是很累。

这就是"单个用工具"和"搭系统"的区别。

大多数人停留在"单个用工具"的阶段——AI是一个个独立的功能，需要的时候调用一下。

但有另一群人，已经在做另一件事了：把多个AI模型、多个步骤、多个工具，串成一个完整的工作流系统。

差别有多大？来看几个例子。

从一张图到一条流水线：ComfyUI为什么成为行业标准？ ​

先看AI绘画领域的变化。

Midjourney很火，大家都知道。但你可能不知道，在专业创作者和工作室里，真正的生产力工具是ComfyUI。

为什么？因为Midjourney是"单步生成"——你输入一段提示词，它出一张图。简单，但控制有限。

ComfyUI不一样。它是节点式的工作流系统——你可以把多个模型、多个步骤、多个处理环节，像搭积木一样串起来：

"Instead of treating generation as a one-off step, they treated workflows as long-term production assets."

— Comfy.org, Series Entertainment case study

翻译成中文：他们不再把生成当作一次性的步骤，而是把工作流当作长期的生产资产。

什么意思？举个实际的例子。

有一家叫Series Entertainment的游戏和视频制作公司，他们用ComfyUI重建了整个制作流程。他们做了一个角色生成系统——不是一张一张生成角色图，而是搭了一条完整的流水线：

  1. 角色基础形象生成
  2. 六种不同表情的批量输出
  3. 风格统一化处理
  4. 视频动效生成
  5. 最终输出

整个流程是一个ComfyUI工作流文件，跑一次就能出全套结果。以前要一个团队干几周的活，现在一个人跑一条工作流就搞定了。

另一家叫Groove Jones的创意工作室，给Dick's Sporting Goods做节日营销活动。他们用ComfyUI搭了自己的GenVFX流水线——自定义LoRA保证品牌风格准确，一个工作流图编排多个生成模型，最后输出成品。

Moment Factory更夸张——他们用ComfyUI做建筑级别的3D投影映射。注意是建筑级——投射在整栋大楼上的光影秀。

"ComfyUI's node-based architecture allowed the team to design and reshape the workflow itself, not just the outputs. Rather than adapting the project to fit a tool, the tool could be adapted to fit the architecture."

— Moment Factory, ComfyUI case study

翻译成中文：ComfyUI的节点式架构让团队可以设计和重塑工作流本身，而不只是调整输出。不是让项目去适应工具，而是让工具去适应项目。

这就是系统思维的价值——你不再是工具的使用者，你是工具的设计者。

你可能会说：这些都是专业公司，跟我有什么关系？

关系大了。ComfyUI不是什么昂贵的企业软件——它是开源的，免费的，普通电脑就能跑。你现在打开魔当，一键就能装上。它的门槛不在价格，而在思维方式——你能不能从"我要生成一张图"升级到"我要搭一条生产流水线"。

从聊天机器人到多Agent系统：企业的下一个战场 ​

不只是创作领域，企业应用也在经历同样的变化。

第一代企业AI应用很简单——接一个大模型API，做个聊天机器人，让员工可以问问题。

但很快大家就发现了：只聊天解决不了实际问题。

真要解决业务问题，你需要的不是一个能聊天的模型，而是一套能干活的系统——要能查数据库、能调业务系统、能处理文档、能跟人协作。

于是就有了Agent（智能体）和多Agent系统。

什么是多Agent系统？简单说就是：不是让一个AI干所有事，而是让多个AI各司其职，像一个团队一样协作。

Google在2025年推出的Agent2Agent（A2A）协议里，举了一个财务运营的例子：

"Instead of one agent, you build three specialist agents and one manager agent... gcp-finops-agent, aws-finops-agent, azure-finops-agent — each handles one cloud platform, and the manager agent coordinates them."

— Google Cloud, The "A-Team" has arrived, 2025

翻译成中文：你不是做一个智能体，而是做三个专业智能体和一个管理者智能体——GCP财务智能体管谷歌云、AWS财务智能体管亚马逊云、Azure财务智能体管微软云，管理者智能体协调它们。

三个专业智能体，一个管理者智能体，加起来就是一个"AI团队"。

再看一个更具体的例子。亚马逊和Visa合作做了一个旅行预订的多Agent系统：

"A travel booking multi-agent system that plans, optimizes, and books end-to-end travel experiences on a user's behalf — bringing together discovery, personalization, and secure payments into a single, seamless workflow."

— AWS Machine Learning Blog, 2025

翻译成中文：一个多智能体旅行预订系统，能替用户规划、优化和预订端到端的旅行体验——把发现、个性化和安全支付整合到一条无缝的工作流里。

这不是一个聊天机器人能做到的。这是一整套系统——有规划、有执行、有支付、有风控，多个模块协同工作。

还有车险理赔的例子。Amazon Nova + Snowflake + LangGraph 搭的系统，一条流水线包含了：

  • 证件文档提取
  • 事故照片的多模态图像分析
  • 保单规则校验
  • 自然语言生成理赔结果

整个流程全自动，人只需要处理异常情况。

你看，企业级的AI应用，早就不是"接个API做个聊天框"了。而是在搭系统——把大模型、业务数据、第三方服务、人工审核，串成一条完整的流水线。

为什么会搭系统的人，效率是别人的十倍？ ​

说这些可能还是有点抽象。我们来算一笔账。

假设你是一个内容创作者，你要做一条1分钟的AI短视频：

方案A：单个工具手动串

  1. 用大模型写文案脚本 → 5分钟
  2. 复制到Midjourney生成配图 → 10分钟（选图+调prompt）
  3. 下载图片，传到TTS工具配音 → 5分钟
  4. 传到视频生成工具做动态效果 → 15分钟
  5. 下载所有素材，导入剪辑软件拼接 → 15分钟
  6. 加字幕、调节奏、导出 → 10分钟 总计：约60分钟

这还是熟练的情况。不熟练的话，反复调整，两三个小时都有可能。

方案B：搭一条自动化工作流

  1. 输入主题和核心信息 → 1分钟
  2. 工作流自动完成：写脚本→生成分镜→生成图片→配音→生成视频→拼接→加字幕
  3. 人工审核和微调 → 10分钟 总计：约15分钟

效率差了4倍。而且这还只是一条视频的差距——如果你一天做10条呢？如果你做的是更复杂的东西呢？

而且系统还有一个巨大的优势：可复用。

你花时间搭好一条工作流，以后可以反复用、不断优化。每用一次，效率就提升一次。而手动串流程，每次都是从零开始。

这就是系统思维的复利效应。 初期搭系统要花时间，但一旦搭好了，后面的产出是数量级的提升。

但大多数人还卡在"单个工具"阶段 ​

为什么明明系统思维这么重要，大多数人还停留在单个用工具的阶段？

因为有几个门槛：

门槛一：不知道还能这么玩 ​

很多人用AI的思路，还停留在"AI是一个个独立的功能"——聊天是聊天、画图是画图、配音是配音。他们根本没想过这些东西可以串起来。

就像智能手机刚出来的时候，大多数人只是把它当成"能上网的手机"——打电话、发短信、上网。但少数人看到了App生态的可能性，做了各种你以前想都不敢想的应用。

AI也是一样。现在大多数人还在"用功能"的阶段，少数人已经在"搭系统"了。

门槛二：觉得"搭系统"是技术活，跟我没关系 ​

很多人一听到"工作流"、"系统"、"架构"这些词，就觉得是程序员的事，跟自己没关系。

其实不是。

ComfyUI的工作流是节点式的——拖拽连线，不用写代码。n8n这类自动化工具也是可视化的——选触发条件、选执行步骤，拖一拖就串起来了。Dify、MaxKB这些RAG工具，也是配置式的——选模型、连数据库、设参数，不用写代码。

搭系统的门槛一直在降低。现在的问题不是能不能搭，而是你有没有意识到应该搭。

门槛三：嫌麻烦，觉得"能用就行" ​

这是最常见的心态。

"反正手动也能做，费那劲搭系统干嘛？"

问题是——手动能做，但做不多、做不快、做不精。你一天手动做三条视频，人家搭好系统一天做三十条。质量可能还比你高，因为系统的每一步都是标准化的。

短期看，搭系统花时间；长期看，搭系统是最省时间的。

自测：你的系统思维在什么水平？ ​

问自己几个问题：

  1. 你做一件需要多个步骤的事，是每次手动串，还是有固定的流程模板？
  2. 你用的AI工具之间，是互相打通的还是各自独立的？ （数据能自动流转吗？还是要手动复制粘贴？）
  3. 遇到一个复杂问题，你的第一反应是"找一个AI工具解决"，还是"设计一套流程解决"？
  4. 你有没有过"把重复的流程自动化"的经历？ （哪怕是很简单的自动化）
  5. 你能说清楚你日常工作的完整流程吗？ （从开始到结束，每一步是什么、用什么工具、产出什么）

四个层级 ​

层级特征典型表现
工具型一个个用AI工具，手动串联在不同平台之间复制粘贴
流程型有固定的步骤和顺序，但还是手动执行有SOP，但每一步都要人操作
自动化型把能自动化的步骤都自动化了工作流跑起来，人只做关键决策
系统型能设计和优化整个系统，持续迭代工作流是资产，不断打磨升级

大多数人在"工具型"到"流程型"之间。能到"自动化型"的，效率就已经远超同龄人了。

怎么从"用工具"升级到"搭系统"？ ​

好消息是，系统思维不是天生的，也不一定需要写代码。任何人都可以从简单的地方开始练。

三个具体的练习方法：

1. 画流程图：把你做的事情"画出来" ​

下次做一件稍微复杂的事（比如做一条视频、写一篇文章、处理一个工作任务），做完之后，花十分钟把流程画出来：

  • 第一步做什么、用什么工具、产出什么
  • 第二步做什么、用什么工具、产出什么
  • 哪些步骤是串行的（必须等前一步做完）
  • 哪些步骤是并行的（可以同时做）

画出来你就会发现——很多步骤其实是重复的、可以合并的、可以自动化的。

画流程图的过程，就是把隐性知识变成显性知识的过程。 你以前是凭感觉做事，画出来之后，你就能清楚地看到整个流程的结构，然后想办法优化。

2. 从"单点自动化"开始：先自动化一个步骤 ​

不要一上来就想搭一个完整的大系统——那会把你吓退的。

从一个最小的步骤开始。比如：

  • 你经常要把AI写的文案复制到文档里 → 能不能让AI直接输出到文档？
  • 你经常要手动给图片重命名 → 能不能写个简单脚本或者用自动化工具自动命名？
  • 你经常要下载AI生成的内容再传到另一个平台 → 能不能让它们直接打通？

先自动化一个步骤，体验到效率提升的快感，你自然会想自动化第二个、第三个。

系统不是一天搭成的，是一步步攒出来的。

3. 试试"工作流思维"的工具 ​

最直接的练习方法，就是去用那些本身就是工作流思维的工具。

如果你做图像/视频创作，试试ComfyUI——不用写代码，节点式拖拽，你会立刻理解"工作流"是什么意思。

如果你做业务流程自动化，试试n8n——把不同的服务串起来，触发条件→执行步骤→输出结果，非常直观。

如果你做知识问答和RAG，试试MaxKB或Dify——从模型选择到知识库接入到工作流编排，都是可视化配置的。

用这些工具的过程，就是在锻炼系统思维。 你会开始从"我要做什么"思考到"我怎么设计一条流程来做这件事"。

而这些工具，都可以在本地部署运行——这又是另一个话题了，我们后面专门聊。

最后：工具是单点的，系统是立体的 ​

回到我们的核心命题：AI是放大器。

单个AI工具是一个个放大点——它们能在某个具体的步骤上帮你提效。

但真正的数量级提升，来自于把这些放大点串成一条放大链——从输入到输出，每一步都被AI放大，而且步骤之间自动流转，不需要人手动衔接。

工具是单点的，系统是立体的。 只会用单个工具的人，效率提升是加法；会搭系统的人，效率提升是乘法。

而且这里有一个很有意思的正向循环：

  • 你系统思维越强 → 你搭的系统越好 → 你的效率越高 → 你有更多时间去优化系统 → 系统变得更好
  • 反过来，你只会用单个工具 → 你被琐事淹没 → 没时间思考怎么优化 → 一直停留在原地

这就是为什么差距会越来越大。 不是因为工具不公平，而是因为思维方式的不同——有人在磨斧子，有人在造流水线。

下一次你用AI做一件事的时候，不妨多问自己一个问题：这件事，能不能变成一条流水线？

参考来源：